CN112334785A - 状态推定方法以及状态推定装置 - Google Patents

状态推定方法以及状态推定装置 Download PDF

Info

Publication number
CN112334785A
CN112334785A CN201980042929.1A CN201980042929A CN112334785A CN 112334785 A CN112334785 A CN 112334785A CN 201980042929 A CN201980042929 A CN 201980042929A CN 112334785 A CN112334785 A CN 112334785A
Authority
CN
China
Prior art keywords
state
time point
probability distribution
soh
storage element
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980042929.1A
Other languages
English (en)
Inventor
鹈久森南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GS Yuasa International Ltd
Original Assignee
GS Yuasa International Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GS Yuasa International Ltd filed Critical GS Yuasa International Ltd
Publication of CN112334785A publication Critical patent/CN112334785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Power Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

在蓄电元件的状态推定方法中，通过第一方法获取以概率分布的形式表现蓄电元件(61)的状态的第一概率分布，通过第二方法获取以概率分布的形式表现上述蓄电元件的状态的第二概率分布，并基于上述第一概率分布以及上述第二概率分布来推定上述蓄电元件的状态。

Description

状态推定方法以及状态推定装置
技术领域
本发明涉及推定蓄电元件的状态的方法、以及状态推定装置。
背景技术
蓄电元件(Energy Storage Device：储能装置)被广泛使用于无停电电源装置、稳定化电源所包含的直流或者交流电源装置等。另外，蓄积发电的电力的大规模的电力系统中的蓄电元件的利用正在扩大。蓄电元件随着时间经过以及充放电的重复而劣化。伴随着劣化，蓄电元件的可充放电的容量(满充电容量)逐渐减少，内部电阻增加。满充电容量是满充电时蓄积在蓄电元件中的电量。
在运用蓄电元件时，需要推定并掌握蓄电元件的状态。例如进行表示当前的蓄电元件的容量相对于新的蓄电元件的容量的比例的劣化程度(SOH)的推定。在蓄电元件的SOH低到某种程度的阶段，更换蓄电元件。
以往，使用基于表示与蓄电元件有关的履历的履历数据依次推定SOH的技术。在履历数据包括与蓄电元件有关的电压履历、电流履历、放置履历或者温度履历等表示履历的信息。履历数据通过持续地获取电压计等传感器关于蓄电元件测定出的测定值而创建。另外，也提出基于能够在比较短时间内计测到的蓄电元件的特性值(例如，内部电阻)来推定SOH的技术。专利文献1公开了基于蓄电元件的特性值，使用神经网络运算来推定SOH的技术的例子。
先行技术文献
专利文献
专利文献1：日本特开2006-220616号公报
发明内容
发明所要解决的问题
在基于履历数据依次地推定蓄电元件的SOH的方法中，继续蓄电系统的通常的运转的同时能够实时始终掌握蓄电元件的SOH。然而，由计算SOH的计算算法的不确定性、以及由输入信息的不确定性引起的推定误差累积，SOH的推定精度趋于逐渐降低。在复杂的充放电模式下进行动作的蓄电元件中，履历数据变得复杂，SOH的推定精度趋于降低。由于该方法取决于连续不断地获取的传感器的测定值，所以在由于噪声等而测定值缺失的情况下，难以推定SOH。
在基于能够在短时间内计测到的特性值来推定SOH的方法中，推定误差不会随时间累积。即使对于在复杂的充放电模式下进行动作的蓄电元件，SOH的推定大致也能够进行。然而，SOH的推定精度较大地取决于特性值的计测精度。在该方法中，需要停止蓄电系统的通常的运转，为了计测蓄电元件的特性值而进行特别的动作。在该方法中，较难实时始终掌握蓄电元件的SOH。
本发明的目的在于提供能够耐用性(robust)较高地获得SOH的蓄电元件的状态推定方法以及状态推定装置。
在本发明的一个方面所涉及的状态推定方法中，通过第一方法获取以概率分布的形式表现蓄电元件的状态的第一概率分布，通过第二方法获取以概率分布的形式表现上述蓄电元件的状态的第二概率分布，基于上述第一概率分布以及上述第二概率分布来推定上述蓄电元件的状态。
发明效果
本发明人立意(1)将蓄电元件的劣化现象不作为确定系统而作为概率系统进行处理、以及(2)通过多个方法获取SOH，并基于这些SOH，耐用性高地导出SOH。根据上述结构，与通过单独的方法确定地推定SOH的情况相比，能够以较高的耐用性推定SOH。
附图说明
图1是表示远程监视系统的概要的图。
图2是表示远程监视系统的结构例的框图。
图3是表示蓄电系统的结构例的框图。
图4是表示蓄电模块的结构例的框图。
图5是表示电池管理装置以及管理装置的功能构成例的框图。
图6是表示第(t－1)时间点的蓄电单体的状态的例子的曲线图。
图7是表示状态迁移概率的例子的曲线图。
图8是表示通过状态迁移而获得的第t时间点的蓄电单体的状态的例子的曲线图。
图9是表示蓄电单体的DCR与SOH的关系的例子的曲线图。
图10是表示通过特性值的计测而获得的蓄电单体的状态的例子的曲线图。
图11是表示推定的第t时间点的蓄电单体的状态的第一例的曲线图。
图12是表示推定的第t时间点的蓄电单体的状态的第二例的曲线图。
图13是表示推定的第t时间点的蓄电单体的状态的第三例的曲线图。
图14是表示根据第(t－1)时间点的各SOH的概率获得第t时间点的各SOH的概率的经过的例子的图表。
图15是表示状态迁移概率的例子的图表。
图16是表示根据第t时间点的各SOH的概率获得第(t+1)时间点的各SOH的概率的经过的例子的图表。
图17是表示实施方式1所涉及的服务器装置推定蓄电单体的状态的处理的顺序的流程图。
图18是表示实施方式2所涉及的服务器装置推定蓄电单体的状态的处理的顺序的流程图。
图19是表示作为状态推定装置发挥功能的电池管理装置的功能构成例的框图。
图20是表示作为状态推定装置发挥功能的管理装置的功能构成例的框图。
具体实施方式
对于蓄电元件的状态推定方法而言，通过第一方法获取以概率分布的形式表现上述蓄电元件的状态的第一概率分布，通过第二方法获取以概率分布的形式表现上述蓄电元件的状态的第二概率分布，基于上述第一概率分布以及上述第二概率分布来推定上述蓄电元件的状态。蓄电元件的状态推定装置具备：第一获取部，通过第一方法获取以概率分布的形式表现上述蓄电元件的状态的第一概率分布；第二获取部，通过第二方法获取以概率分布的形式表现上述蓄电元件的状态的第二概率分布；以及状态推定部，基于上述第一概率分布以及上述第二概率分布来推定上述蓄电元件。
例如以表示SOH的值成为0～1的每个值的概率的概率分布的形式表现蓄电元件的状态。推定出的SOH存在不确定性，不确定性根据推定方法而不同，所以通过使用概率分布，能够表现SOH的值和与推定方法对应的不确定性。通过第一方法获取SOH的第一概率分布，通过第二方法获取SOH的第二概率分布，并使用第一概率分布以及第二概率分布，例如以SOH的概率分布的形式推定蓄电元件的状态。通过统合通过两个方法所得到的SOH的概率分布，与通过单独的方法确定地推定SOH的情况相比，能够以较高的耐用性推定可能的SOH。例如，即使在通过一个方法推定的SOH的不确定性较大的情况下，也能够减小最终推定出的SOH的不确定性。
在状态推定方法中，也可以获取上述蓄电元件从第一时间点到第二时间点经历的履历，在上述第一方法中，基于上述履历来计算上述第二时间点的上述第一概率分布。上述第一获取部也可以基于上述蓄电元件经历的履历来计算上述第一概率分布。根据反复充放电或者放置等动作履历(包括放置履历)、暴露于高温或者暴露于低温等设置环境(温度履历)的不同，蓄电元件的SOH的变化不同。能够基于履历来推定从第一时间点变化的蓄电元件的SOH。
在状态推定方法中，可以对表示特定的时间点的上述蓄电元件的特性的特性值进行计测，在上述第二方法中，基于上述特性值来获取上述特定的时间点的上述第二概率分布。上述第二获取部也可以基于表示特定的时间点的上述蓄电元件的特性的特性值来获取上述特定的时间点的上述第二概率分布。根据在特定的时间点计测到特性值来获取SOH，从而大幅度地减少根据履历依次地推定SOH时所产生的推定误差的影响，能够推定SOH。
在状态推定方法中，也可以按照部分可观察马尔可夫决策过程的模型，使用上述第一时间点的上述蓄电元件的状态、以及与从上述第一时间点到上述第二时间点的上述蓄电元件的履历对应的状态迁移概率，来获取上述第二时间点的上述第一概率分布，基于表示上述第二时间点的上述蓄电元件的特性的特性值来获取上述第二概率分布，根据上述第一概率分布以及上述第二概率分布来推定上述第二时间点的上述蓄电元件的状态。上述第一获取部可以使用第一时间点的上述蓄电元件的状态、以及与从上述第一时间点到第二时间点的上述蓄电元件的履历对应的状态迁移概率，来计算上述第二时间点的上述第一概率分布，上述第二获取部基于表示上述第二时间点的上述蓄电元件的特性的特性值来获取上述第二时间点的上述第二概率分布，上述推定部按照部分可观察马尔可夫决策过程的模型，根据上述第一概率分布以及上述第二概率分布来推定上述第二时间点的上述蓄电元件的状态。通过统合通过状态迁移而获得的SOH的概率分布和通过特性值的计测而获得的SOH的概率分布，能够抑制根据履历来推定SOH时所产生的推定误差的影响。抑制推定误差的影响，并且可以进行实时的蓄电元件的SOH的推定。另外，通过利用通过特性值的计测而获得的SOH的概率分布，能够重置根据履历来推定SOH时所产生的推定误差的累积。
在状态推定方法中，使用以概率分布的形式表现的第一时间点的上述蓄电元件的状态、以及上述蓄电元件从上述第一时间点到第二时间点经历的履历或者虚拟事件所对应的状态迁移概率，来推定上述第二时间点的上述蓄电元件的状态。通过使用与履历或者虚拟事件(预测数据)对应的状态迁移概率，能够推定从第一时间点到第二时间点变化的蓄电元件的SOH。
在状态推定方法中，上述第二时间点可以是将来的时间点。能够基于当前时间点的蓄电元件的状态和与虚拟事件(假设的将来的事件)对应的状态迁移概率预测(模拟)将来的时间点的蓄电单体的状态。
以下基于表示本实施方式的附图，具体地对本发明进行说明。
(实施方式1)
图1是表示远程监视系统100的概要的图。如图1所示，通信网络N包括公共通信网(例如，因特网等)N1以及实现基于移动通信标准的无线通信的运营商网络N2等。在通信网络N上连接有太阳能发电系统S、火力发电系统F、风力发电系统W、无停电电源装置(UPS)U以及铁路用的稳定化电源系统等中所配设的整流器(直流电源装置或者交流电源装置)D等。另外，在通信网络N上连接有后述的通信设备1(参照图2)、从通信设备1收集信息的服务器装置2、以及获取所收集的信息的客户端装置3等。
在运营商网络N2中包括基站BS。客户端装置3能够从基站BS经由通信网络N与服务器装置2进行通信。在公共通信网N1连接有接入点AP，客户端装置3能够从接入点AP经由通信网络N与服务器装置2之间收发信息。
在太阳能发电系统S、火力发电系统F以及风力发电系统W并设有功率调节器(PCS：Power Conditioning System)P以及蓄电系统101。蓄电系统101构成为并设多个收容蓄电模块组L的容器C。蓄电模块组L例如具有串联连接有多个蓄电单体的蓄电模块、串联连接有多个蓄电模块的群、并联连接有多个群的域这样的分级构造。蓄电单体、蓄电模块或者群与蓄电元件对应。优选蓄电元件是铅蓄电池以及锂离子电池等二次电池、或电容器等可再充电的元件。蓄电元件的一部分可以是不可再充电的一次电池。
图2是表示远程监视系统100的结构例的框图。远程监视系统100包括通信设备1、作为状态推定装置发挥功能的服务器装置2、客户端装置3以及蓄电系统101(参照图3)。蓄电系统101包括后述的管理装置M。管理装置M管理蓄电系统101所包含的蓄电元件。蓄电系统101并不限于并设于发电系统。蓄电系统101也可以经由功率调节器P与送电系统连接。
如图2所示，通信设备1与通信网络N连接，并且与对象装置P、U、D、M连接。对象装置P、U、D、M是成为由远程监视系统100管理的对象的装置。对象装置P、U、D、M包括功率调节器P、无停电电源装置U、整流器D以及管理装置M。
在远程监视系统100中，使用与各对象装置P、U、D、M连接的通信设备1来监视蓄电系统101所包含的蓄电元件的状态(例如，电压、电流、温度、充电状态(SOC))。例如，连续不断地获取包括蓄电元件的电压、电流以及温度、及周围温度的履历的履历数据，并进行监视。履历数据也可以包括蓄电元件的动作履历(充放电履历)、以及/或者表示不进行充放电而放置蓄电元件的履历的放置履历。对于被连续不断地获取履历数据的蓄电元件，能够基于履历数据来进行劣化状态的推定。在劣化状态包括SOH。例如，能够基于履历数据依次推定SOH。远程监视系统100进行提示，以便用户或者操作人员(维护担当者)能够确认蓄电元件的状态(包括劣化状态、异常状态等)。
通信设备1具备控制部10、存储部11、第一通信部12以及第二通信部13。控制部10由CPU(Central Processing Unit)等构成，使用内置的ROM(Read Only Memory：只读存储器)以及RAM(Random Access Memory：随机存取存储器)等存储器，控制整个通信设备1。
存储部11是非易失性的。存储部11例如使用闪存等非易失性存储器而构成。在存储部11中存储有控制部10读出并执行的设备程序1P。在存储部11中存储通过控制部10的处理而收集的信息、事件日志等信息。
第一通信部12是实现与对象装置P、U、D、M的通信的通信接口。第一通信部12例如使用RS－232C或者RS－485等串行通信接口而构成。第二通信部13是经由通信网络N来实现通信的接口，第二通信部13例如使用Ethernet(注册商标)，或者无线通信用天线等通信接口而构成。控制部10能够经由第二通信部13与服务器装置2进行通信。
服务器装置2具备控制部20、存储部21以及通信部22。服务器装置2可以是1台服务器计算机，也可以由多台服务器计算机构成。
控制部20例如由CPU构成。控制部20使用内置的ROM以及RAM等存储器，控制整个服务器装置2。另外，控制部20也可以使用CPU以及GPU(Graphics Processing Unit：图形处理器)、多核CPU、或者TPU(Tensor Processing Unit：张量处理单元)而构成。控制部20执行基于存储于存储部21的计算机程序2P的信息处理。计算机程序2P包括Web服务器程序。控制部20作为执行向客户端装置3提供Web网页、向Web服务受理登录等的Web服务器发挥功能。控制部20还能够基于计算机程序2P作为SNMP(Simple Network Management Protocol：简单网络管理协议)用服务器而从通信设备1收集信息。
存储部21例如可以使用闪存等非易失性存储器或者硬盘。存储部21存储包括通过控制部20的处理而收集的成为监视对象的对象装置P、U、D、M的状态的数据。通信部22是实现经由通信网络N的通信连接以及数据的收发的通信设备。通信部22也可以是与通信网络N对应的网卡。存储部21存储由远程监视系统100获取到的与每个蓄电元件有关的履历数据。另外，存储部21存储表示依次推定出的蓄电元件的状态的状态数据。
客户端装置3可以是蓄电系统101的管理者、对象装置P、U、D、M的维护担当者等操作人员使用的计算机。客户端装置3也可以是台式或者笔记本式的个人计算机，也可以是智能手机或者平板型的通信终端。客户端装置3具备控制部30、存储部31、通信部32、显示部33以及操作部34。
控制部30是使用CPU的处理器。控制部30基于存储于存储部31的Web浏览器程序而使由服务器装置2或者通信设备1提供的Web网页显示于显示部33。
存储部31例如使用闪存等非易失性存储器或者硬盘。在存储部31中存储有包括Web浏览器程序的各种程序。通信部32例如可以使用有线通信用网卡等通信设备、与基站BS(参照图1)连接的移动通信用无线通信设备、或者对应于与接入点AP的连接的无线通信设备。控制部30能够通过通信部32经由通信网络N与服务器装置2或者通信设备1之间进行通信连接或者信息的收发。
显示部33可以使用液晶显示器、有机EL(Electro Luminescence：电致发光)显示器等显示器。显示部33能够通过基于控制部30的Web浏览器程序的处理来显示由服务器装置2提供的Web网页的图像。
操作部34是能够与控制部30之间进行输入输出的键盘以及指示设备、或声音输入部等用户接口。作为操作部34，可以使用显示部33的触摸面板或者设置于框体的物理按钮。操作部34向控制部30通知用户的操作信息。
图3是表示蓄电系统101的结构例的框图。蓄电系统101具有串联连接多个蓄电单体61的蓄电模块6、串联连接多个蓄电模块6的群4以及并联连接多个群4的域的分级构造。图3所示的蓄电系统101构成一个域。蓄电模块6可以包括与其它蓄电单体61并联连接的蓄电单体61。群4也可以包括与其它蓄电模块6并联连接的蓄电模块6。
通过连续不断地获取蓄电单体61的电压、电流以及温度、及周围温度，并将包括电压、电流以及温度、及周围温度的履历的履历数据随时存储至管理装置M或者服务器装置2，从而进行蓄电单体61的监视。蓄电单体61也可以是从使用最初(蓄电系统101的运转最初)连续不断地进行监视，获取履历数据的蓄电单体61。蓄电系统101中也可以包括至此没有被进行监视的蓄电单体61、履历数据丢失的蓄电单体61、或者在履历数据不明的状态下新追加到蓄电系统101的蓄电单体61。
蓄电系统101与功率调节器P连接。每个群4经由电力线44与功率调节器P连接。通过功率调节器P向群4供给电力，对群4进行充电。另外，从群4放电的电力经过功率调节器P输出到外部。例如，功率调节器P与发电系统以及/或者送电系统连接。
每个群4具备多个蓄电模块6和电池管理装置(BMU：Battery Management Unit)5。每个蓄电模块6具备控制基板(CMU：Cell Monitoring Unit)7。控制基板7与电池管理装置5连接。电池管理装置5能够与每个控制基板7之间进行通信。
蓄电系统101具备管理装置M。管理装置M是对属于域的蓄电元件进行管理的BMU。每个群4所具备的电池管理装置5经由通信线43与管理装置M连接。通信设备1与管理装置M以及/或者功率调节器P连接。通信设备1也可以具备与管理装置M连接的通信设备和与功率调节器P连接的通信设备。电池管理装置5与管理装置M之间进行信息的收发。管理装置M汇集来自多个电池管理装置5的信息，并向通信设备1输出。也可以通过未图示的温度获取部获取域的周围温度(外部空气温度、设置有蓄电元件的室内的温度)、或者各群的周围温度。
图4是表示蓄电模块6的结构例的框图。控制基板7包括控制部71、电压获取部72、电流获取部73、温度获取部74以及通信部75。控制部71使用处理器以及存储器而构成。控制部71控制控制基板7的动作。电压获取部72获取多个蓄电单体61的每个的电压。电流获取部73获取流过蓄电单体61的电流。例如，电流获取部73获取流过串联连接的多个蓄电单体61的电流、或者单独获取流过每个蓄电单体61的电流。温度获取部74使用温度传感器来获取蓄电模块6内的一个或者多个位置处的温度。温度获取部74也可以获取每个蓄电单体61的外部的温度。
通信部75与电池管理装置5连接。通信部75具有与电池管理装置5之间例如进行串行通信的功能。控制部71使通信部75向电池管理装置5发送表示所获取到的电压、电流以及温度的信息。
图5是表示电池管理装置5以及管理装置M的功能构成例的框图。电池管理装置5具备控制部51、第一通信部52以及第二通信部53。控制部51是使用CPU的处理器。第一通信部52与群4内的多个控制基板7连接。第一通信部52接收从控制基板7发送的信息。第二通信部53经由通信线43(参照图3)与管理装置M连接。控制部51使第二通信部53向管理装置M发送从多个控制基板7接收到的信息。
管理装置M使用计算机而构成。管理装置M具备控制部401、第一通信部402以及第二通信部403。控制部401是使用CPU的处理器。第一通信部402与多个电池管理装置5连接。第一通信部402接收从电池管理装置5发送的信息。第二通信部403与通信设备1连接。控制部401使第二通信部403向通信设备1发送从多个电池管理装置5接收到的信息。通信设备1向服务器装置2发送从管理装置M接收到的信息。即，管理装置M经由通信设备1向服务器装置2发送信息，电池管理装置5经由管理装置M以及通信设备1向服务器装置2发送信息。
服务器装置2进行连续不断地获取每个蓄电单体61的履历数据的处理。在每个蓄电模块6中，电压获取部72随时获取每个蓄电单体61的电压，电流获取部73获取流过蓄电单体61的电流，温度获取部74获取蓄电模块6内的温度。控制部71使通信部75发送表示获取到的电压、电流以及温度的信息。表示电压、电流以及温度的信息经由电池管理装置5、管理装置M、通信设备1以及通信网络N被向服务器装置2发送。
服务器装置2通过通信部22接收表示与每个蓄电单体61有关的电压、电流以及温度的信息，控制部20使接收到的信息存储于存储部21。连续不断地(例如，定期地)执行与蓄电单体61有关的电压、电流以及温度的获取及表示电压、电流以及温度的信息的存储。代替地，也可以一并发送表示关于蓄电单体61多次获取到的电压、电流以及温度的信息，并存储。这样，连续不断地获取包括与每个蓄电单体61有关的电压、电流以及温度、及包括周围温度的履历的履历数据，并存储至服务器装置2。例如，每个蓄电单体61的运用开始以来的履历数据被存储至服务器装置2的存储部21。代替地，履历数据也可以存储至服务器装置2以外的存储装置。
蓄电单体61的SOH可以根据履历数据来推定。例如，每次进行充放电时，SOH根据充放电所涉及的电压以及电流而降低。另外，即使在不进行充放电而放置蓄电单体61的情况下，随着时间经过，SOH也降低。能够基于连续不断地获取到的履历数据依次推定SOH。然而，由于推定误差累积等原因，所推定的SOH存在不确定性。
服务器装置2能够在短时间内计测到表示蓄电单体61的特性的特性值。控制基板7在60秒等规定期间内在特定的条件下获取包括与蓄电单体61有关的电压、电流以及温度等的举动数据，并将获取到的举动数据向服务器装置2发送。服务器装置2通过通信部22接收举动数据，控制部20使接收到的举动数据存储于存储部21。控制部20基于举动数据来计算蓄电单体61的特性值。特性值例如是蓄电单体61的内部的直流电阻(DCR：Direct CurrentResistance)。
蓄电单体61的SOH可以根据蓄电单体61的特性值来推定。例如，将表示蓄电单体61的DCR与实际测量到的SOH的对应关系的数据存储至存储部21，并能够基于计测到的DCR与所存储的对应关系来推定蓄电单体61的SOH。通过该方法所推定出的SOH也存在不确定性。
在本实施方式中，将蓄电元件的劣化现象作为概率系统来处理。以表示SOH的值成为0～1中的每个值的概率的概率分布的形式获得所推定的蓄电元件的状态。通过部分可观察马尔可夫决策过程决定蓄电单体61的SOH。依次推定SOH的概率分布，在SOH中假设马尔可夫性质。在假设了马尔可夫性质的条件下，在第t时间点所推定的SOH受在第(t－1)时间点所推定出的SOH影响，不受在更前面的时间点所推定出的SOH影响。t为1以上的自然数。在第t时间点计测特性值。基于第(t－1)时间点的SOH、与从第(t－1)时间点到第t时间点的蓄电单体61的履历对应的状态迁移以及在第t时间点所计测到的特性值来决定第t时间点的SOH。
将k以及j设为0以上且1以下的实数。将第t时间点的SOH的值设为Qt，将在第t时间点SOH的值为k的概率设为Ft(Qt＝k)。第t时间点的蓄电单体61的状态以由与k＝0～1的每个值对应的Ft(Qt＝k)构成的概率分布的形式获得。第(t－1)时间点的蓄电单体61的状态以由与k＝0～1的每个值对应的Ft-1(Qt-1＝k)构成的概率分布的形式获得。第(t－1)时间点与第一时间点对应，第t时间点与第二时间点对应。
蓄电单体61的状态根据从第(t－1)时间点到第t时间点的蓄电单体61的动作履历而迁移。将在从第(t－1)时间点到第t时间点的蓄电单体61的动作履历为at-1的情况下，蓄电单体61的状态如在第(t－1)时间点为j的SOH的值在第t时间点成为k这样迁移的概率，即状态迁移概率设为P(Qt＝k|Qt-1＝j，at-1)。通过状态迁移在第t时间点SOH的值为k的概率成为ΣjP(Qt＝k|Qt-1＝j，at-1)·Ft-1(Qt-1＝j)。由与k＝0～1的每个值对应的该概率构成的概率分布对应于第一概率分布。
将在第t时间点所计测的蓄电单体61的特性值设为ot。在得到特性值ot的情况下，将SOH的值成为k的概率设为P(ot|Qt＝k)。由与k＝0～1的每个值对应的该概率构成的概率分布对应于第二概率分布。在部分可观察马尔可夫决策过程的模型中，在第t时间点SOH的值为k的概率Ft(Qt＝k)由下述的(1)式表示。通过针对k＝0～1的每个值求出Ft(Qt＝k)，从而以SOH的概率分布的形式获得第t时间点的蓄电单体61的状态。
Ft(Qt＝k)＝P(ot|Qt＝k)ΣjP(Qt＝k|Qt-1＝j，at-1)·Ft-1(Qt-1＝j)…(1)
使用曲线图，对获得第t时间点的蓄电单体61的状态的过程进行说明。图6是表示第(t－1)时间点的蓄电单体61的状态的例子的曲线图。横轴用％表示SOH的值，纵轴表示SOH成为每个值的概率。以概率分布的形式获得SOH。SOH的概率分布也可以是正态分布那样的分布。图6所示的例子是将平均值设为95％的正态分布。
图7是表示状态迁移概率的例子的曲线图。横轴用％表示SOH的值。纵轴表示SOH的值从横轴所示的值起迁移的概率。图7中(91)所示出的曲线图表示P(Qt＝k|Qt-1＝91，at-1)，示出从在第(t－1)时间点SOH的值为91％的状态向在第t时间点SOH的值为横轴所示的值(k)的状态迁移的概率。图中(90)、(92)～(99)所示的曲线图表示同样的概率。状态迁移概率成为与从第(t－1)时间点到第t时间点的蓄电单体61的动作履历at-1对应的内容。图7所示的例子是蓄电单体61的动作履历at-1的内容为在SOC＝80％以及温度35℃的状态下将蓄电单体61放置一个月这个内容的情况下的例子。
图8是表示通过状态迁移而获得的第t时间点的蓄电单体61的状态的例子的曲线图。横轴用％表示SOH的值，纵轴表示SOH成为每个值的概率。在图8中，用虚线示出图6所示的第(t－1)时间点的蓄电单体61的状态，用实线示出通过状态迁移而获得的第t时间点的蓄电单体61的状态。与各SOH的值对应的概率的值对应于(1)式中的ΣjP(Qt＝k|Qt-1＝j，at-1)·Ft-1(Qt-1＝j)。例如，从SOH＝95％向94％迁移后的概率通过将图6中SOH＝95％所对应的值和图7中的(95)所示的曲线图上的SOH＝94％所对应的值相乘来求出。即使是SOH＝95％以外的值，也实施同样的计算，取通过计算而得到的值的和，由此能够计算图8中的SOH＝94％所对应的值。曲线图上的值进行归一化。如图8所示，通过与动作履历at-1对应的状态迁移，SOH的值降低，偏差变大。图8所示的概率分布对应于第一概率分布。
作为蓄电元件的特性值的例子，列举DCR。图9是表示蓄电单体61的DCR与SOH的关系的例子的曲线图。横轴用％表示SOH的值，纵轴表示蓄电单体61的DCR。图9所示的例子是单独测定蓄电单体61的DCR和SOH的实验结果。图中的点表示实验结果，曲线表示基于实验结果使DCR和SOH的关系近似的曲线。DCR与SOH之间有相关。但是，与每个DCR对应的SOH的值产生偏差。
图10是表示通过特性值的计测而获得的蓄电单体61的状态的例子的曲线图。横轴用％表示SOH的值，纵轴以任意单位(a.u.：Arbitrary Unit)表示SOH成为每个值的概率。图10所示的例子是根据图9所示的实验结果所获得的例子。在图10中分别示出DCR的值为r(1)、r(2)以及r(3)的例子。如图9以及图10所示，DCR的值越低，则SOH的值越高。另外，相对于DCR的SOH的值有不确定性，蓄电单体61的状态由SOH的概率分布表示。图10所示的概率分布对应于第二概率分布。此外，在蓄电单体61的实际运用时所获取的DCR的值也包含不确定性。也可以考虑DCR的值的确定性来计算第二概率分布。
图11是表示所推定的第t时间点的蓄电单体61的状态的第一例的曲线图。图12是表示所推定的第t时间点的蓄电单体61的状态的第二例的曲线图，图13是表示所推定的第t时间点的蓄电单体61的状态的第三例的曲线图。各图的横轴用％表示SOH的值，纵轴表示SOH成为每个值的概率。用虚线示出图6所示的第(t－1)时间点的蓄电单体61的状态，用点划线示出通过图8所示的状态迁移获得的第t时间点的蓄电单体61的状态。与各SOH的值对应的概率的值对应于通过(1)式所求出的Ft(Qt＝k)。与各SOH的值对应的概率的值是通过在与相同的SOH的值对应的值彼此乘以图6所示的曲线图上的值和图8所示的曲线图上的值，并进行归一化所得的值。
在图11表示在第t时间点所计测到的DCR的值为r(1)的情况下的蓄电单体61的状态。如图11所示，在DCR的值为r(1)的情况下，推定为第t时间点的蓄电单体61的状态与第(t－1)时间点的状态相比，SOH的值变大。此外，在使用第二概率分布的计算时，根据紧前的履历来计算用于计算的第一概率分布。即，在基本相同的时间点(从第(t－1)时间点到第t时间点)计算第一概率分布和第二概率分布。但是，第一概率分布是依次求出，而第二概率分布无需依次求出。例如，在状态推定方法中，在得到特性值时，获取第二概率分布，修正第一概率分布。
图12表示在第t时间点所计测到DCR的值为r(2)的情况下的蓄电单体61的状态。如图12所示，在DCR的值为r(2)的情况下，第t时间点的蓄电单体61的状态与通过状态迁移而推定出的蓄电单体61的状态相比，SOH的值几乎相等。另外，由于通过DCR的计测而获得的SOH的值的偏差较小，所以第t时间点的蓄电单体61的状态与通过状态迁移而推定出的蓄电单体61的状态相比，SOH的值的偏差变小。
图13表示在第t时间点所计测到的DCR的值为r(3)的情况下的蓄电单体61的状态。如图13所示，在DCR的值为r(3)的情况下，推定为第t时间点的蓄电单体61的状态与第(t－1)时间点的状态相比，SOH的值变小。
如以上那样，在本实施方式中，以表示SOH成为每个值的概率的概率分布的形式获取蓄电单体61的状态。另外，基于从第(t－1)时间点的状态起的状态迁移、和通过在第t时间点所计测到的特性值而获得的蓄电单体61的状态来推定第t时间点的蓄电单体61的状态。通过统合从分别有偏差的两个方法得到的SOH的概率分布，获得更可能的SOH的概率分布。此外，在蓄电单体61的运用中，可以变更求出第一概率分布以及第二概率分布的手法。例如，在使用DCR作为特性值的情况下，在下一个时间点，可以使用放电容量作为特性值来计算第二概率分布。在这样变更求出第二概率分布的手法的情况下，第二概率分布成为以所获取到的SOH为中心的末端较窄的分布。
接下来，对使用具体的数值来推定蓄电单体61的状态的方法进行说明。图14是表示根据第(t－1)时间点的各SOH的概率获得第t时间点的各SOH的概率的经过的例子的图表。将SOH的值为100％～98％、98％～96％、96％～94％、94％～92％、92％～90％的范围分别设为范围(1)、范围(2)、范围(3)、范围(4)、范围(5)。在第(t－1)时间点，将SOH的值处于范围(1)的概率设为1.0，SOH的值处于其它范围的概率设为0。
图15是表示状态迁移概率的例子的图表。例如，蓄电单体61的动作履历at-1的内容是在SOC＝100％的状态下将蓄电单体61放置一个月这个内容。将SOH的值从范围(1)向范围(2)迁移的概率设为0.3。另外，将SOH的值从范围(2)向范围(3)迁移的概率设为0.2，将SOH的值从范围(3)向范围(4)迁移的概率设为0.1，将SOH的值从范围(4)向范围(5)迁移的概率设为0.05。在该例子中，为了简单起见，假设仅发生SOH的值从某个范围向低一个阶段的范围迁移。例如，虽然本来可能发生从范围(1)向范围(2)、(3)、(4)以及(5)中的任何一个范围迁移，但在该例中，假设发生从范围(1)向范围(2)的迁移，不发生向其它范围的迁移。
由于通过状态迁移而SOH的值从范围(1)向范围(2)迁移的概率为0.3，所以通过状态迁移而获得的、在第t时间点SOH的值包含在范围(1)中的概率如图14所示，为0.7(＝1.0×(1－0.3))。通过状态迁移而获得的、在第t时间点SOH的值包含在范围(2)中的概率为0.3。
在第t时间点计测蓄电单体61的特性值，获取与特性值对应的蓄电单体61的状态。例如，计测蓄电单体61的DCR，获得与DCR对应的SOH的概率分布。例如，SOH的概率分布可以是以与计测到的特性值对应的SOH的值为中心的正态分布。如图14所示，将通过特性值的计测而获得的、在第t时间点SOH的值包含在范围(1)、范围(2)、范围(3)、范围(4)、范围(5)中的概率分别设为0.5、0.2、0.1、0.0、0.0。
通过统合通过状态迁移而得到的概率和通过特性值的计测而得到的概率，SOH的值包含在范围(1)、范围(2)中的概率分别为0.35(＝0.7×0.5)、0.06(＝0.3×0.2)。SOH的值包含在其它范围中的概率为0。如图14所示，如果对概率进行归一化，则SOH的值包含在范围(1)、范围(2)中的概率分别为0.85、0.15。该概率分布表示第t时间点的蓄电单体61的状态。
在第t时间点SOH的值包含在范围(1)中的概率为0.85，大于通过状态迁移而获得的概率0.7、以及通过特性值的计测而获得的概率0.5。在基于状态迁移的SOH的推定结果和基于特性值的计测的SOH的推定结果这两方均正确的情况下，蓄电元件的状态的推定结果与仅基于状态迁移的推定的结果或者仅基于特性值的计测的推定的结果相比，以更高的值表示SOH成为实际的值的概率。
图16是表示根据第t时间点的各SOH的概率获得第(t+1)时间点的各SOH的概率的经过的例子的图表。各SOH的概率通过状态迁移从第t时间点的值开始变化。如图15所示，通过状态迁移，SOH的值从范围(1)向范围(2)迁移的概率为0.3，从范围(2)向范围(3)迁移的概率为0.2。通过状态迁移而获得的、在第t时间点SOH的值包含在范围(1)中的概率如图16所示，为0.6(＝0.85×(1－0.3))。另外，通过状态迁移而获得的、在第t时间点SOH的值包含在范围(2)中的概率如图14所示，为0.37(＝0.85×0.3+0.15×(1－0.2))。通过状态迁移而获得的、在第t时间点SOH的值包含在范围(3)中的概率为0.03(＝0.15×0.2)。
在第(t+1)时间点计测蓄电单体61的特性值，获取与特性值对应的蓄电单体61的状态。如图16所示，将通过特性值的计测而获得的、在第t时间点SOH的值包含在范围(1)、范围(2)、范围(3)、范围(4)、范围(5)中的概率分别设为0.2、0.5、0.2、0.1、0.0。统合通过状态迁移而得到的概率和通过特性值的计测而得到的概率。SOH的值包含在范围(1)、范围(2)、范围(3)中的概率分别为0.12(＝0.6×0.2)、0.19(＝0.37×0.5)、0.01(＝0.03×0.2)。SOH的值包含在其它范围中的概率为0。如图16所示，如果对概率进行归一化，则SOH的值包含在范围(1)、范围(2)、范围(3)中的概率分别为0.38、0.60、0.02。该概率分布表示第(t+1)时间点的蓄电单体61的状态。
在仅通过状态迁移推定第t以及第(t+1)时间点的蓄电单体61的状态的情况下，第(t+1)时间点SOH的值包含在范围(1)、范围(2)、范围(3)中的概率分别为0.49(＝0.7×0.7)、0.45(＝0.7×0.3+0.3×(1－0.2))、0.06(＝0.3×0.2)。如图16所示，通过本实施方式所涉及的方法推定出的、在第(t+1)时间点SOH的值包含在范围(2)中的概率为0.6，大于仅通过状态迁移推定出的概率0.45、以及通过特性值的计测而获得的概率0.5。
接下来，对状态推定装置的处理进行说明。服务器装置2作为状态推定装置发挥功能。如图2所示，服务器装置2的存储部21存储履历数据、和表示在各时间点推定出的蓄电单体61的状态的状态数据。例如，状态数据中包括在各时间点所推定出的SOH的概率分布。图17是表示实施方式1所涉及的服务器装置2推定蓄电单体61的状态的处理的顺序的流程图。服务器装置2的控制部20按照计算机程序2P执行以下的处理。
状态数据中包括表示在第一时间点所推定出的蓄电单体61的状态的数据。服务器装置2从第一时间点到第二时间点获取蓄电单体61的履历数据(S11)。控制基板7随时获取蓄电单体61所涉及的电压、电流以及温度，并发送表示获取到的电压、电流以及温度的信息。表示电压、电流以及温度的信息经由电池管理装置5、管理装置M、通信设备1以及通信网络N被向服务器装置2发送。服务器装置2通过通信部22接收表示与蓄电单体61有关的电压、电流以及温度的信息，控制部20使接收到的信息存储于存储部21。从第一时间点到第二时间点继续处理，获取包括与蓄电单体61有关的电压、电流以及温度的履历的履历数据。代替地，履历数据也可以存储至服务器装置2以外的存储装置。
控制部20接下来计算通过状态迁移而获得的第二时间点的SOH的概率分布(S12)。例如，存储部21与履历数据的模式建立对应地存储状态迁移概率。图15所示的状态迁移概率是与表示将蓄电单体61放置一个月的动作履历的履历数据的模式建立对应的状态迁移概率的例子。对于状态迁移概率，可以基于经验或者实验来设定，也可以通过理论的计算来设定。控制部20从存储部21读出与从第一时间点到第二时间点获取到的履历数据的模式对应的状态迁移概率。另外，控制部20从存储部21读出第一时间点的SOH的概率分布。第一时间点的SOH的概率分布包含在状态数据中。控制部20根据状态迁移概率以及第一时间点的SOH的概率分布来计算通过状态迁移而获得的第二时间点的SOH的概率分布。SOH成为某个值的概率通过将在第一时间点SOH处于该值的概率和SOH不从该值迁移的概率相乘，将在第一时间点SOH处于其它值的概率和SOH从其它值向该值迁移的概率相乘，并将乘法值相加来获得。
S12的处理也可以使用学习模型来进行。S12的处理与第一获取部对应。通过S12的处理而计算的SOH的概率分布与第一概率分布对应。
控制部20接下来计测第二时间点的蓄电单体61的特性值(S13)。例如，控制部20使通信部22朝向包括对象的蓄电单体61的蓄电模块6的控制基板7发送用于计测特性值的控制信号。控制信号经由通信网络N、通信设备1、管理装置M以及电池管理装置5被向控制基板7发送。控制基板7按照控制信号，在计测特性值所需的规定期间，在特定的条件下，获取包括与蓄电单体61有关的电压、电流以及温度等的举动数据，将获取到的举动数据向服务器装置2发送。服务器装置2通过通信部22接收举动数据，控制部20使接收到的举动数据存储于存储部21。控制部20基于举动数据来计算蓄电单体61的特性值。例如，特性值是蓄电单体61的内部的DCR。S12和S13的处理可以以相反的顺序进行。
控制部20接下来获取与计测到的特性值对应的SOH的概率分布(S14)。例如，存储部21如图9所示那样存储有表示蓄电单体61的特性值与SOH的概率分布的关系的数据。控制部20通过从存储部21读出与计测到的特性值对应的SOH的概率分布，从而获取与特性值对应的SOH的概率分布。S14的处理也可以使用学习模型来进行。S14的处理与第二获取部对应。通过S14的处理所计算的SOH的概率分布与第二概率分布对应。
控制部20接下来计算第二时间点的SOH的概率分布(S15)。在S15中，控制部20通过针对SOH的每个值，将在S12中得到的概率和在S14中得到的概率相乘，并对乘法值进行归一化，从而计算第二时间点的SOH的概率分布。得到的概率分布表示第二时间点的蓄电单体61的状态，是第二时间点的蓄电单体61的状态的推定结果。S15的处理与推定部对应。以上，推定蓄电单体61的状态的处理结束。
服务器装置2反复S11～S15的处理。通过反复S11～S15的处理，从而依次推定蓄电单体61的状态。另外，服务器装置2针对多个蓄电单体61的每一个，反复S11～S15的处理。依次地推定多个蓄电单体61的状态。
服务器装置2也能够将第二时间点设定为将来的时间点，预测将来的蓄电单体61的状态。在该情况下，服务器装置2不进行S11的处理，求出与到将来的第二时间点为止蓄电单体61如何进行动作的虚拟事件(假设模式)对应的状态迁移概率。假设模式例如是假设充放电模式，或者假设温度模式。服务器装置2在S12基于当前时间点的蓄电单体61的状态和状态迁移概率来计算SOH的概率分布。获得的概率分布表示按照假设模式使用蓄电单体61的情况下所预测的蓄电单体61的状态。能够预测(模拟)将来的蓄电单体61的状态。这样的状态预测模拟器(寿命预测模拟器)并不限于远程监视系统100中的服务器装置2。独立系统的模拟器也可以起到上述的功能。
如以上详述那样，在本实施方式中，以表示SOH的值成为0～1的每个值的概率的概率分布的形式表现蓄电单体61的状态。推定出的SOH存在不确定性，不确定性根据推定方法而不同。通过使用概率分布，能够表现SOH的值和与推定方法对应的不确定性。在本实施方式中，使用第一时间点(第(t－1)时间点)处的蓄电单体61的状态、和与从第一时间点到第二时间点(第t时间点)的蓄电单体61的动作履历对应的状态迁移概率，来获取通过状态迁移而获得的第二时间点的SOH的概率分布(第一概率分布)。根据反复充放电或者放置等动作履历的不同，蓄电单体61的SOH的变化不同。通过使用与动作履历对应的状态迁移概率，从而能够根据动作履历来推定从第一时间点到第二时间点变化的蓄电单体61的SOH。另外，继续蓄电单体61的运用的同时，能够实时推定蓄电单体61的SOH。
在本实施方式中，计测第二时间点的DCR等的蓄电单体61的特性值，并基于特性值来获取第二时间点的SOH的概率分布(第二概率分布)。通过基于通过短时间的计测而得到的特性值来获取SOH，从而减少根据动作履历来推定SOH时所产生的推定误差的影响，能够推定SOH。
在本实施方式中，通过统合第一概率分布和第二概率分布，从而以SOH的概率分布的形式推定第二时间点的蓄电单体61的状态。通过统合利用两个方法所得到的SOH的概率分布，可以进行多角度的蓄电单体61的状态的分析。另外，与通过单独的方法确定地推定SOH的情况相比，能够以较高的耐用性推定可能的SOH。通过统合通过状态迁移而获得的SOH的概率分布和通过特性值的计测而获得的SOH的概率分布，从而能够抑制根据动作履历推定SOH时产生的推定误差的影响。虽然抑制推定误差的影响，但可以进行实时的蓄电单体61的SOH的推定。另外，即使在特性值的计测包含错误的情况下，通过利用通过状态迁移而获得的SOH的概率分布，也能够推定抑制了计测的错误的影响的更可能的SOH。
通过利用通过特性值的计测而获得的SOH的概率分布，可以重置根据动作履历来推定SOH时所产生的推定误差的累积。例如，远程监视系统100也可以在推定第二时间点的蓄电单体61的状态后，删除履历数据。由此，能够减少存储容量以及通信容量，可以更有效地利用远程监视系统100的硬件资源以及网络资源。
(实施方式2)
在实施方式2中，示出未使用状态迁移概率的方式。蓄电系统101以及远程监视系统100的结构与实施方式1同样。图18是表示实施方式2所涉及的服务器装置2推定蓄电单体61的状态的处理的顺序的流程图。服务器装置2的控制部20按照计算机程序2P执行以下的处理。
控制部20获取通过特定的方法而获得的SOH的概率分布(S21)。在S21中，通过与使用状态迁移概率的方法不同的方法获取SOH的概率分布。例如，在蓄电单体61的履历数据缺失一个月的情况下，针对所有SOH的值，将SOH成为每个值的概率设为相同。控制部20接下来计测第二时间点的蓄电单体61的特性值(S22)，获取与计测到的特性值对应的SOH的概率分布(S23)。
控制部20接下来计算第二时间点的SOH的概率分布(S24)。在S24中，控制部20针对SOH的每个值，将在S21中得到的概率和在S23中得到的概率相乘，并对乘法值进行归一化，从而计算第二时间点的SOH的概率分布。得到的概率分布表示第二时间点的蓄电单体61的状态，是第二时间点的蓄电单体61的状态的推定结果。以上，推定蓄电单体61的状态的处理结束。
在本实施方式中，使用通过第一方法而得到的SOH的第一概率分布和通过第二方法而得到的SOH的第二概率分布，以SOH的概率分布的形式推定蓄电单体61的状态。通过统合利用两个方法所得到的SOH的概率分布，可以进行多角度的蓄电单体61的状态的分析，获得更可能的SOH。即使不考虑状态迁移，也能够根据通过两个方法所得到的SOH的概率分布以较高的耐用性推定可能的SOH。例如，对于履历数据缺失的蓄电单体61，通过利用两个方法获取SOH的概率分布，也能够推定可能的SOH。
(实施方式3)
在实施方式3中，电池管理装置5或者管理装置M作为状态推定装置发挥功能。图19是表示作为状态推定装置发挥功能的电池管理装置5的功能构成例的框图。电池管理装置5还具备存储部54。存储部54是硬盘或者非易失性存储器。存储部54存储有履历数据以及状态数据。
图20是表示作为状态推定装置发挥功能的管理装置M的功能构成例的框图。管理装置M还具备存储部404。存储部404是硬盘或者非易失性存储器。存储部404存储有履历数据以及状态数据。蓄电系统101以及远程监视系统100的其它的结构与实施方式1同样。
作为状态推定装置的电池管理装置5或者管理装置M与实施方式1或者2同样地如图17或者图18的流程图所示，执行推定蓄电单体61的状态的处理。在本实施方式中，也与实施方式1以及2同样地针对蓄电单体61，也能够以较高的耐用性推定可能的SOH。
在实施方式1～3中，推定状态的对象的蓄电元件是蓄电单体61。代替地，远程监视系统100也可以将蓄电模块6作为蓄电元件。另外，远程监视系统100也可以将群4作为蓄电元件。
推定状态的对象的蓄电元件可以是搭载在车辆上的蓄电单体或者蓄电模块。也可以是搭载在车辆上的ECU(Engine Control Unit：电子控制单元)等控制部作为状态推定装置发挥功能，代替地，也可以在云基础上实现状态推定。车辆可以具备蓄电元件、推定蓄电元件的状态的状态推定装置以及显示推定结果的显示部。代替地，车辆也可以具备蓄电元件、将包括蓄电元件的状态的信息向车外发送并接收推定结果的通信设备以及显示推定结果的显示部。
应认为本次公开的实施方式在所有方面均为例示而非限制性的。本发明的范围不是上述的意思，而由权利要求书示出，包含与权利要求书等同的意思以及范围内的所有变更。
100 远程监视系统
101 蓄电系统
2 服务器装置
20 控制部
21 存储部
4 群
5 电池管理装置
6 蓄电模块
61 蓄电单体
7 控制基板
M 管理装置。

Claims (12)

1.一种状态推定方法，其是推定蓄电元件的状态的方法，
通过第一方法获取以概率分布的形式表现所述蓄电元件的状态的第一概率分布，
通过第二方法获取以概率分布的形式表现所述蓄电元件的状态的第二概率分布，
基于所述第一概率分布以及所述第二概率分布来推定所述蓄电元件的状态。
2.根据权利要求1所述的状态推定方法，其中，
在所述第一方法中，第t时间点的所述蓄电元件的状态受第(t－1)时间点的所述蓄电元件的状态影响，
在所述第二方法中，第t时间点的所述蓄电元件的状态不受第(t－1)时间点的所述蓄电元件的状态的影响。
3.根据权利要求1或者权利要求2所述的状态推定方法，其中，
获取所述蓄电元件从第一时间点到第二时间点经历的履历，
在所述第一方法中，基于所述履历来计算所述第二时间点的所述第一概率分布。
4.根据权利要求1至权利要求3中的任一项所述的状态推定方法，其中，
对表示特定的时间点的所述蓄电元件的特性的特性值进行计测，
在所述第二方法中，基于所述特性值来获取所述特定的时间点的所述第二概率分布。
5.根据权利要求1所述的状态推定方法，其中，
按照部分可观察马尔可夫决策过程的模型，使用所述第一时间点的所述蓄电元件的状态和与从所述第一时间点到所述第二时间点的所述蓄电元件的履历对应的状态迁移概率来计算所述第二时间点的所述第一概率分布，并基于表示所述第二时间点的所述蓄电元件的特性的特性值来获取所述第二概率分布，根据所述第一概率分布以及所述第二概率分布来推定所述第二时间点的所述蓄电元件的状态。
6.一种状态推定方法，其是推定蓄电元件的状态的方法，
使用以概率分布的形式表现的第一时间点的所述蓄电元件的状态、以及与所述蓄电元件从所述第一时间点到第二时间点经历的履历或者虚拟事件对应的状态迁移概率，推定所述第二时间点的所述蓄电元件的状态。
7.根据权利要求6所述的状态推定方法，其中，
所述第二时间点是将来的时间点。
8.一种状态推定装置，其是推定蓄电元件的状态的装置，具备：
第一获取部，通过第一方法获取以概率分布的形式表现所述蓄电元件的状态的第一概率分布；
第二获取部，通过第二方法获取以概率分布的形式表现所述蓄电元件的状态的第二概率分布；以及
状态推定部，基于所述第一概率分布以及所述第二概率分布来推定所述蓄电元件的状态。
9.根据权利要求8所述的状态推定装置，其中，
在所述第一方法中，第t时间点的所述蓄电元件的状态受第(t－1)时间点的所述蓄电元件的状态影响，
在所述第二方法中，第t时间点的所述蓄电元件的状态不受第(t－1)时间点的所述蓄电元件的状态影响。
10.根据权利要求8或者权利要求9所述的状态推定装置，其中，
所述第一获取部基于所述蓄电元件经历的履历来计算所述第一概率分布。
11.根据权利要求8至权利要求10中的任一项所述的状态推定装置，其中，
所述第二获取部基于表示特定的时间点的所述蓄电元件的特性的特性值来获取所述特定的时间点的所述第二概率分布。
12.根据权利要求8所述的状态推定装置，其中，
所述第一获取部使用第一时间点的所述蓄电元件的状态、以及与从所述第一时间点到第二时间点的所述蓄电元件的履历对应的状态迁移概率，计算所述第二时间点的所述第一概率分布，
所述第二获取部基于表示所述第二时间点的所述蓄电元件的特性的特性值，获取所述第二时间点的所述第二概率分布，
所述推定部按照部分可观察马尔可夫决策过程的模型，根据所述第一概率分布以及所述第二概率分布来推定所述第二时间点的所述蓄电元件的状态。
CN201980042929.1A 2018-06-25 2019-06-19 状态推定方法以及状态推定装置 Pending CN112334785A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018120126A JP7298114B2 (ja) 2018-06-25 2018-06-25 状態推定方法、及び状態推定装置
JP2018-120126 2018-06-25
PCT/JP2019/024224 WO2020004163A1 (ja) 2018-06-25 2019-06-19 状態推定方法、及び状態推定装置

Publications (1)

Publication Number Publication Date
CN112334785A true CN112334785A (zh) 2021-02-05

Family

ID=68986263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980042929.1A Pending CN112334785A (zh) 2018-06-25 2019-06-19 状态推定方法以及状态推定装置

Country Status (5)

Country Link
US (1) US11619674B2 (zh)
JP (1) JP7298114B2 (zh)
CN (1) CN112334785A (zh)
DE (1) DE112019003222T5 (zh)
WO (1) WO2020004163A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7413806B2 (ja) * 2020-02-06 2024-01-16 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
DE102020214182A1 (de) 2020-11-11 2022-05-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Ermitteln eines Alterungszustands einer Gerätebatterie
DE102020215297A1 (de) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
CN112986829B (zh) * 2021-04-21 2021-07-20 杭州宇谷科技有限公司 基于大数据及云计算的电池压差异常阈值确认方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4609882B2 (ja) 2005-02-14 2011-01-12 株式会社デンソー 車両用蓄電装置の内部状態検出方式
DE602006002896D1 (de) 2005-02-14 2008-11-13 Denso Corp Verfahren und Vorrichtung zur Erkennung des Ladestatus einer Sekundärbatterie auf Basis neuronaler Netzwerkkalkulation
US20070245163A1 (en) * 2006-03-03 2007-10-18 Yung-Hsiang Lu Power management in computer operating systems
JP5395006B2 (ja) * 2010-07-22 2014-01-22 株式会社日立製作所 電池制御システムとその制御方法並びに電池システム
JP6091822B2 (ja) 2012-09-20 2017-03-08 株式会社東芝 診断装置及び診断方法
JP5944291B2 (ja) * 2012-10-05 2016-07-05 カルソニックカンセイ株式会社 バッテリのパラメータ等推定装置およびその推定方法
JP2015059924A (ja) 2013-09-20 2015-03-30 株式会社東芝 蓄電池性能評価装置およびその方法
JP2015135286A (ja) 2014-01-17 2015-07-27 株式会社豊田中央研究所 二次電池の特性推定装置
JP6365938B2 (ja) 2014-09-24 2018-08-01 日本電気株式会社 設計装置、設計方法およびプログラム
CN105137358B (zh) * 2015-08-27 2018-06-26 张家港莫特普数据科技有限公司 基于大数据自学习机制的动力电池的soc/soh预测方法
CN106926725B (zh) 2017-03-21 2019-11-05 上汽通用汽车有限公司 车辆用蓄电池的使用寿命预测方法和装置
CN108931729B (zh) 2017-05-08 2019-05-07 北京航空航天大学 一种锂离子电池容量循环退化动态识别方法
CN107895175A (zh) 2017-11-13 2018-04-10 北京电子工程总体研究所 一种基于非齐次马尔科夫链模型预测锂离子电池容量退化的方法

Also Published As

Publication number Publication date
US11619674B2 (en) 2023-04-04
US20210270904A1 (en) 2021-09-02
WO2020004163A1 (ja) 2020-01-02
JP7298114B2 (ja) 2023-06-27
DE112019003222T5 (de) 2021-03-11
JP2020003227A (ja) 2020-01-09

Similar Documents

Publication Publication Date Title
US11243262B2 (en) Degradation estimation apparatus, computer program, and degradation estimation method
Sbarufatti et al. Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks
Zhang et al. An integrated method of the future capacity and RUL prediction for lithium-ion battery pack
US12055597B2 (en) Battery analysis system and method
EP3770618B1 (en) Energy storage device degradation determination apparatus and method
US11619674B2 (en) State estimation method and state estimation apparatus
Liu et al. A health indicator extraction and optimization framework for lithium-ion battery degradation modeling and prognostics
JP6579287B1 (ja) 劣化推定装置、コンピュータプログラム及び劣化推定方法
Yu State-of-health monitoring and prediction of lithium-ion battery using probabilistic indication and state-space model
Orchard et al. Risk measures for particle-filtering-based state-of-charge prognosis in lithium-ion batteries
EP3905424B1 (en) Data processing device, data processing method and computer program
Zhang et al. Battery state estimation with a self-evolving electrochemical ageing model
JP2019216552A (ja) 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法
Zhang et al. Prognostics of Lithium‐Ion Batteries Based on Wavelet Denoising and DE‐RVM
WO2019203111A1 (ja) 状態推定方法、及び状態推定装置
Bressel et al. Fuel cell remaining useful life prediction and uncertainty quantification under an automotive profile
US20240168095A1 (en) Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model
US20230016228A1 (en) Method and Apparatus for Operating a System for Providing Predicted Confidence Intervals for States of Health of Electrical Energy Stores for at Least One Device With the Aid of Machine Learning Methods
Sui et al. Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning
Dai Nguyen et al. Equivalent circuit simulated deep network architecture and transfer learning for remaining useful life prediction of lithium-ion batteries
Gotz et al. Enhancing SOC estimation accuracy via incremental learning techniques for second-life batteries
Sønderskov et al. State of Health Estimation and Prediction of Fuel Cell Stacks in Backup Power Systems
JP2024041522A (ja) 算出装置、劣化状態の算出方法及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination